Como Lamoda está a traballar en algoritmos que entendan os desexos do comprador

En breve, as compras en liña serán unha mestura de redes sociais, plataformas de recomendación e envíos de garda-roupa de cápsulas. Oleg Khomyuk, xefe do departamento de investigación e desenvolvemento da compañía, contou como traballa Lamoda nisto

Quen e como traballa en Lamoda en algoritmos de plataforma

En Lamoda, a I+D encárgase de implementar a maioría dos novos proxectos baseados en datos e monetizalos. O equipo está formado por analistas, desenvolvedores, científicos de datos (enxeñeiros de aprendizaxe automática) e xestores de produtos. Escolleuse o formato de equipo multifuncional por un motivo.

Tradicionalmente, nas grandes empresas, estes especialistas traballan en diferentes departamentos: departamentos de análise, TI, produtos. A velocidade de execución de proxectos comúns con este enfoque adoita ser bastante baixa debido ás dificultades na planificación conxunta. O traballo en si estrutúrase do seguinte xeito: primeiro, un departamento dedícase á análise, despois outro - o desenvolvemento. Cada un deles ten as súas propias tarefas e prazos para a súa solución.

O noso equipo multifuncional utiliza enfoques flexibles, e as actividades de diferentes especialistas realízanse en paralelo. Grazas a isto, o indicador Time-To-Market (o tempo desde o inicio do traballo no proxecto ata a entrada no mercado). Tendencias) é inferior á media do mercado. Outra vantaxe do formato multifuncional é a inmersión de todos os membros do equipo no contexto empresarial e no traballo dos outros.

Carteira de proxectos

A carteira de proxectos do noso departamento é diversa, aínda que por razóns obvias está sesgada cara a un produto dixital. Áreas nas que estamos activos:

• catálogo e busca;
• sistemas de recomendación;
• personalización;
• optimización de procesos internos.

Os sistemas de catálogo, busca e recomendación son ferramentas de merchandising visual, a principal forma na que un cliente elixe un produto. Calquera mellora significativa na usabilidade desta funcionalidade ten un impacto significativo no rendemento empresarial. Por exemplo, priorizar produtos populares e atractivos para os clientes na clasificación do catálogo leva a un aumento das vendas, xa que é difícil para o usuario ver toda a gama e a súa atención adoita limitarse a varios centos de produtos vistos. Ao mesmo tempo, as recomendacións de produtos similares na tarxeta do produto poden axudar a quen, por algún motivo, non lles gustou o produto que se vexa, a elixir.

Un dos casos máis exitosos que tivemos foi a introdución dunha nova busca. A súa principal diferenza con respecto á versión anterior está nos algoritmos lingüísticos para comprender a solicitude, que os nosos usuarios percibiron positivamente. Isto tivo un impacto significativo nas cifras de vendas.

Todas as ideas son probadas

Antes de que as novas funcionalidades estean dispoñibles para os usuarios de Lamoda, realizamos probas A/B. Constrúese segundo o esquema clásico e utilizando compoñentes tradicionais.

• A primeira etapa – iniciamos o experimento, indicando as súas datas e a porcentaxe de usuarios que precisan habilitar tal ou aquela funcionalidade.
• A segunda etapa — recollemos os identificadores dos usuarios que participan no experimento, así como datos sobre o seu comportamento no sitio e as compras.
• A terceira etapa – resume utilizando métricas de produtos e empresas dirixidas.

Desde o punto de vista empresarial, canto mellor entendan os nosos algoritmos as consultas dos usuarios, incluídas as que cometen erros, mellor afectará á nosa economía. As solicitudes con erros tipográficos non levarán a unha páxina en branco nin a unha busca inexacta, os erros cometidos quedarán claros para os nosos algoritmos e o usuario verá os produtos que buscaba nos resultados da busca. Como resultado, pode facer unha compra e non abandonará o sitio sen nada.

A calidade do novo modelo pódese medir mediante as métricas de calidade da corrección de erratas. Por exemplo, pode usar o seguinte: "porcentaxe de solicitudes correctamente corrixidas" e "porcentaxe de solicitudes correctamente non corrixidas". Pero isto non fala directamente da utilidade desta innovación para as empresas. En calquera caso, cómpre observar como cambian as métricas de busca de destino nas condicións de combate. Para iso, realizamos experimentos, é dicir, probas A/B. Despois diso, analizamos as métricas, por exemplo, a proporción de resultados de busca baleiros e a "taxa de clics" dalgunhas posicións da parte superior nos grupos de proba e control. Se o cambio é o suficientemente grande, reflectirase en métricas globais como a comprobación media, os ingresos e a conversión en compra. Isto indica que o algoritmo para corrixir erros tipográficos é efectivo. O usuario realiza unha compra aínda que cometeu un erro na consulta de busca.

Atención a cada usuario

Sabemos algo de todos os usuarios de Lamoda. Aínda que unha persoa visite o noso sitio ou aplicación por primeira vez, vemos a plataforma que usa. Ás veces, a xeolocalización e a fonte de tráfico están dispoñibles para nós. As preferencias dos usuarios varían segundo as plataformas e rexións. Polo tanto, entendemos inmediatamente o que lle pode gustar a un novo cliente potencial.

Sabemos como traballar co historial dun usuario recollido ao longo dun ou dous anos. Agora podemos recoller o historial moito máis rápido, literalmente en poucos minutos. Despois dos primeiros minutos da primeira sesión, xa é posible sacar algunhas conclusións sobre as necesidades e gustos dunha persoa en concreto. Por exemplo, se un usuario seleccionou zapatos brancos varias veces ao buscar zapatillas deportivas, entón ese é o que debería ofrecerse. Vemos as perspectivas desta funcionalidade e planeamos implementala.

Agora, para mellorar as opcións de personalización, centrámonos máis nas características dos produtos cos que os nosos visitantes tiveron algún tipo de interacción. En base a estes datos, formamos unha certa "imaxe de comportamento" do usuario, que logo usamos nos nosos algoritmos.

Como cambiar seguindo o comportamento dos compradores en liña

Unha parte importante do desenvolvemento de calquera produto é o desenvolvemento do cliente (probar unha idea ou prototipo dun futuro produto en potenciais consumidores) e entrevistas en profundidade. O noso equipo conta con xestores de produtos que se ocupan da comunicación cos consumidores. Realizan entrevistas en profundidade para comprender as necesidades insatisfeitas dos usuarios e converter ese coñecemento en ideas de produtos.

Das tendencias que estamos a ver agora, pódense distinguir as seguintes:

• A proporción de buscas desde dispositivos móbiles está en constante crecemento. A prevalencia das plataformas móbiles está cambiando a forma en que os usuarios interactúan connosco. Por exemplo, o tráfico en Lamoda ao longo do tempo flúe cada vez máis do catálogo para buscar. Isto explícase de xeito sinxelo: ás veces é máis fácil establecer unha consulta de texto que utilizar a navegación no catálogo.
• Outra tendencia que debemos ter en conta é o desexo dos usuarios de facer consultas curtas. Polo tanto, é necesario axudalos a formar solicitudes máis significativas e detalladas. Por exemplo, podemos facelo con suxestións de busca.

O que vén

Hoxe, nas compras en liña, só hai dúas formas de votar por un produto: facer unha compra ou engadir o produto aos favoritos. Pero o usuario, por regra xeral, non ten opcións para mostrar que o produto non lle gusta. Resolver este problema é unha das prioridades para o futuro.

Por separado, o noso equipo está a traballar duro na introdución de tecnoloxías de visión por ordenador, algoritmos de optimización loxística e un feed personalizado de recomendacións. Esforzámonos por construír o futuro do comercio electrónico baseado na análise de datos e na aplicación de novas tecnoloxías para crear un mellor servizo para os nosos clientes.

Subscríbete tamén á canle de Trends Telegram e mantéñase ao día das tendencias e previsións actuais sobre o futuro da tecnoloxía, a economía, a educación e a innovación.